聚类算法概述及相关距离度量公式

一、概述

首先：聚类算法是无监督学习算法；一般构建用户兴趣属性画像等可应用聚类算法；而一般的分类算法是有监督学习，基于有标注的历史数据进行算法模型构建

定义：对大量未知标注的数据集，按照数据内部存在的数据特征将数据集划分为多个不用的类别，使得类别内的数据比较相似，类别间的数据相似度较小。重点是计算样本之间的相似度，有时候也称为样本间的距离。

二、常用的距离公式：

1、闵可夫斯基距离公式，距离越近代表越相似，也是最常用的距离公式

当p为1的时候是曼哈顿距离(Manhattan)，因为曼哈顿是城市，所以也称为城市距离；
当p为2的时候是欧式距离(Euclidean)，一般都用这个距离

当p为无穷大的时候是切比雪夫距离(Chebyshev)，试想当存在|x0-y0|比其他项都大时，即使开根号，其占比依然最大；

以上三个距离的具体表达式如下：

标准化欧式距离（Standardized Euclidean Distance）：

s为标准差

2、夹角余弦相似度（Cosine），夹角越小越相似，常用于文本识别，比如新闻的挖掘